bioRxiv 2026年9月13日该工作提出ABCP_finder，一个以预训练蛋白语言模型（ProtBERT与ESM2）嵌入加多层感知机分类器为核心的抗乳腺癌肽（ABCP）预测框架，采用CD-HIT在30%序列一致性与80%覆盖度下做同源感知的训练-测试划分以降低数据泄漏，其中ProtBERT取得93.82%准确率、86.88%召回率、90.59% F1、0.8618 MCC、96.67% AUC与0.0633 Brier分数，并据校准分析选定0.7概率阈值识别高置信ABCP，外部用xDeep-AcPEP验证显示被预测为ABCP的未知肽具有较好IC值。该工作提出ABCP_finder，一个以预训练蛋白语言模型（ProtBERT与ESM2）嵌入加多层感知机分类器为核心的抗乳腺癌肽（ABCP）预测框架，采用CD-HIT在30%序列一致性与80%覆盖度下做同源感知的训练-测试划分以降低数据泄漏，其中ProtBERT取得93.82%准确率、86.88%召回率、90.59% F1、0.8618 MCC、96.67% AUC与0.0633 Brier分数，并据校准分析选定0.7概率阈值识别高置信ABCP，外部用xDeep-AcPEP验证显示被预测为ABCP的未知肽具有较好IC值。ABCP_finder：基于Transformer嵌入的抗乳腺癌肽预测框架该工作提出ABCP_finder，一个以预训练蛋白语言模型（ProtBERT与ESM2）嵌入加多层感知机分类器为核心的抗乳腺癌肽（ABCP）预测框架，采用CD-HIT在30%序列一致性与80%覆盖度下做同源感知的训练-测试划分以降低数据泄漏，其中ProtBERT取得93.82%准确率、86.88%召回率、90.59% F1、0.8618 MCC、96.67% AUC与0.0633 Brier分数，并据校准分析选定0.7概率阈值识别高置信ABCP，外部用xDeep-AcPEP验证显示被预测为ABCP的未知肽具有较好IC值。该工作提出ABCP_finder，一个以预训练蛋白语言模型（ProtBERT与ESM2）嵌入加多层感知机分类器为核心的抗乳腺癌肽（ABCP）预测框架，采用CD-HIT在30%序列一致性与80%覆盖度下做同源感知的训练-测试划分以降低数据泄漏，其中ProtBERT取得93.82%准确率、86.88%召回率、90.59% F1、0.8618 MCC、96.67% AUC与0.0633 Brier分数，并据校准分析选定0.7概率阈值识别高置信ABCP，外部用xDeep-AcPEP验证显示被预测为ABCP的未知肽具有较好IC值。